Précédent : Moteurs Remonter : Pilotage de programmes Suivant : Interprétation d'images

Bases de connaissances

Participants : Monica Crubezy, John van den Elst, Sabine Moisan, Monique Thonnat Régis Vincent

Mots-clés : pilotage de programmes, base de connaissances, imagerie médicale, planification, astronomie, télédétection

La construction de bases de connaissances permet de valider un certain nombre de concepts et de développements réalisés dans le cadre de la plate-forme LAMA, ainsi que de mieux spécifier les besoins dans ce domaine. Les techniques de pilotage de programmes ont été appliquées à des bibliothèques existantes de traitements (de séquences) d'images médicales, d'images satellites ou d'images de galaxies.

Pilotage de traitement (de séquences) d'images médicales.  

En imagerie médicale les traitements permettent d'extraire des informations qualitatives ou quantitatives estimant des paramètres anatomiques ou des fonctions physiologiques, à partir (de séquences) d'images médicales acquises par différentes techniques (médecine nucléaire, imagerie par résonance magnétique, scanner X). Ces informations permettent une meilleure interprétation des examens d'imagerie médicale en termes de diagnostic ou de thérapie. Cependant la complexité du domaine médical (données et paramètres multiples et complexes, objectifs nombreux) conduit à une diffusion restreinte des traitements d'images existants, faute de système aidant à leur utilisation.

Notre but est de proposer une modélisation d'un système de pilotage de ces programmes intégrant les connaissances nécessaires pour la sélection des (chaînes de) traitements et leur exécution. Un tel système doit permettre d'adapter les traitements d'images médicales à différents contextes, de développer de nouvelles applications et de les mettre à la disposition d'utilisateurs non spécialistes comme les radiologues cliniciens, permettant à ceux-ci de se focaliser sur l'interprétation des résultats.

Nous travaillons sur deux applications, basées sur des approches différentes du traitement d'images médicales.

La première étude est menée en collaboration avec l'unité 66 de l'INSERM (La Pitié Salpêtrière, Paris), sur des programmes d'imagerie médicale fonctionnelle. L'objectif est dans un premier temps de faciliter le travail méthodologique de mise au point de chaînes de traitements d'images médicales en vue d'une utilisation clinique routinière. Cette étude concerne essentiellement des programmes d'Analyse Factorielle de Séquences d'Images Médicales (AFSIM), intéressants car leur utilisation judicieuse fait intervenir de nombreuses connaissances tant méthodologiques que médicales.
Nous travaillons d'une part, sur la modélisation des données, qui doit refléter la richesse et la non exhaustivité du domaine médical, d'autre part, sur le mécanisme de planification et de contrôle d'exécution qui doit être perfectionné pour respecter la démarche naturelle des experts. Nous proposons une modélisation des concepts nécessaires à un outil de pilotage de programmes pour ce type d'application : stratégie de planification hybride, mêlant planification à base de squelettes et planification réactive, et description des données structurée en différents points de vue.
Une base de connaissances de pilotage de l'AFSIM a été développée avec YAKL, en intégrant une partie de ces aspects, sur une application de référence : le suivi de chimiothérapie sur osteosarcome, qui traite des séquences temporelles d'images médicales. Elle a ainsi été testée avec les moteurs de pilotage PéGASE, puis PULSAR (cf. 3.1.4 ) qui planifie les opérateurs en raisonnant à partir de leurs préconditions et de leurs effets sur les données, et dont la stratégie se rapproche de la stratégie hybride souhaitée.
Après une phase de simulation, le pilotage des programmes de l'AFSIM en grandeur réelle est en cours. Dans ce cadre, nous réfléchissons aussi à la manière de piloter l'exécution de programmes conçus pour des environnements différents des nôtres. Cet axe fait intervenir des préoccupations rejoignant celles des applications réparties (cf. LAd) : communication, déclenchement de procédures distantes, synchronisation.

Nous venons de commencer une seconde étude : une application de segmentation du cerveau à partir d'images IRM 3D, en collaboration avec Grégoire Malandain du projet Epidaure de l'INRIA. Il s'agit ici de traitements d'images médicales basés sur les principes de la vision par ordinateur (morphologie mathématique essentiellement), visant à isoler le cerveau anatomique dans les images. Les connaissances médicales utilisées par l'expert ne sont donc pas intégrées dans les programmes, mais interviennent à un haut niveau de raisonnement. L'objectif est de définir jusqu'à quel point, sous quelle forme et à quel niveau, des connaissances médicales sont nécessaires pour piloter ces traitements. De plus, la démarche de l'expert est ici principalement sous forme d'essais/erreurs, à cause de la difficulté pour déterminer les valeurs de paramètres appropriées et à la sensibilité de ceux-ci aux conditions d'acquisition. Il faut donc prendre en compte les mécanismes de raisonnement tels que le retour en arrière et la réparation. Une première version d'une base de connaissances pour le pilotage de ces programmes a été développée et testée avec le moteur PéGASE (cf. 3.1.4 ).

Pilotage de traitement d'images satellites.

La base de connaissances SAR a été développée à l'université de Maryland, USA (Center for Automation Research), pour l'analyse d'images satellites SAR. Il s'agit d'identifier dans une image des objets d'intérêt (cibles, bâtiments, routes et arbres) et de segmenter le reste de l'image en diverses catégories (herbe, eau, etc.). Cette base avait été initialement écrite en utilisant OCAPI et elle a été traduite en YAKL et améliorée pour tirer parti des nouvelles possibilités offertes par LAMA et le moteur PéGASE.

Pilotage de traitement d'images de galaxies.

La base de connaissances PROGAL écrite pour l'ancien système OCAPI, a été réécrite pour LAMA. Nous avons pour cela utilisé le traducteur automatique pour transcrire les bases d'OCAPI vers YAKL. Cette opération a aussi été l'occasion de reconcevoir en grande partie la base de connaissances. Nous avons notamment ajouté des étapes optionnelles, simplifié certaines étapes et corrigé les flots de données. Grâce aux outils de vérification de LAMA de nombreuses erreurs présentes dans la base PROGAL-OCAPI ont été détectées. Actuellement la base PROGAL comprend 143 opérateurs et 70 règles.

Précédent : Moteurs Suivant : Interprétation d'images Remonter : Pilotage de programmes